原文：beamforming optimization for intelligent reflecting su***ces without csi
citation information: doi 10.1109/lwc.2020.2994218, ieee wireless communications letters
purpose
作者提出了一種在不依靠通道資訊的情況下 使用離子群演算法 對 bs和irs 波束成形進行優化。
作者對原始的離子群演算法進行了一些改造，在原始的離子群演算法中，每次迭代時會更新速度和位置以產生新的粒子群。作者提出的pso中， 前1/2的粒子跟新素的和位置資訊以產生新的粒子群，後1/2的粒子群有兩種不同的生成新粒子群的：給定概率，新的粒子通過隨機改變一些最好的粒子的列生成新的粒子，否則將隨機生成新粒子，也就是說 對於後1/2的粒子群， 要麼改裡面一些好的粒子，要麼直接隨機生成新的粒子。 這樣做的目的我認為是為了避免出現區域性最優的問題。
algorithm
具體演算法如下：
輸入為irs系統 bs處的天線數量n，irs反射元素數量 m，主要的pso引數，包括：粒子群數量l，n_是迭代次數，l1 l2是學習因子 \omega_分別是 最小/最大慣性速度權重。
以及更新粒子群方式的概率p_
1.首先 隨機生成l個粒子，對應我們要解決的問題就是bf vector w 和 irs相移矩陣 \theta
相當於演算法裡的 速度和位置。
2.對於每個粒子，如果ue端的snr比乙個設定的閾值\gamma 大，則這個這個粒子的可適度為
||w||^2，
3. 根據可適度方程更新p_best 和 g_best
pbest是每乙個粒子能達到最好的可適度，gbest是所有粒子能達到的最好的可適度。在本文提出的方法中最適粒子的||w||^2最小
4. 1/2的粒子更新w和theta（速度和位置）通過6和7式。剩下的1/2的粒子更新方式如下：
a. pmut1的概率，生成新的粒子通過操作最好的粒子的每一列，具體操作方式是：根據給的概率pmut2隨機的幹煸最好的粒子的每一列（g_best=[wbest,\theta_best]）否則則維持這裡一列不做改變（概率是1-pmut2）。
b. 1-pmut1的概率，隨機生成全新的粒子
5. 檢查是否達到標準或者達到迭代次數的最大值，如果是 返回w_best和、theta_best。否則回到第二步。
人工智慧 無資訊搜尋
一 無資訊搜尋 定義除了問題中提供的定義之外沒有任何關於狀態的附加資訊。可以做的事情只能是生成後繼。二 六種搜尋策略 1 廣度優先搜尋 2 代價一致搜尋 而只關心所經步驟總的耗散，擴充套件的是路徑 消耗最低的節點n 3 深度優先搜尋 4 深度有限搜尋 無邊界的搜尋樹問題可以通過對深度優先搜尋提供乙個...
Go無緩衝通道的陷阱
channel是go的特色之一，甚至說是最大的特色也不為過，使用起來也非常簡單。首先定義乙個int型別的channel ch1 make chan int 無緩衝通道 ch2 make chan int,10 帶緩衝的通道我們這裡主要關注無緩衝通道。來看看這段 package main import...
求高斯通道的通道容量 資訊理論
clear,clc 一維二元高斯通道的通道容量 xn 8000 定義點數 m1 0 m2 1 訊號引數 sigma1 0.38 sigma2 0.5 高斯雜訊引數 xmin min m1 5 sigma1,m2 5 sigma2 xmax max m1 5 sigma1,m2 5 sigma2 定義...